알아가는 즐거움

이 글에 앞서 투자이론에서 위험의 의미를 읽으면 도움이 된다.

어떤 포트폴리오, 즉 펀드를 평가하려면 그 펀드가 추종하는 벤치마크(Benchmark; BM) 지수와 비교해서 얼마나 잘 운용했는지를 따져야 한다. 이때 많이 사용하는 척도로 알파와 베타가 있다. 아래 그래프를 보자. (사실은 위키피디아의 선형회귀 페이지에서 가져왔지만) x축은 시장수익률(market rate, 즉 벤치마크 지수의 변동폭)이고, y축은 펀드의 수익률이라고 상상하자.

여기에 선형회귀(Linear Regression) 분석을 하면, 이 데이터를 잘 표현하는 직선을 구할 수 있다. 이 직선의 기울기가 베타, y 절편(intercept)이 알파다. 알파는 이 펀드가 벤치마크 지수보다 얼마나 높은(혹은 낮은) 수익을 거뒀는지를 보여준다. 정의상 시장 자체의 알파는 0이며, 알파 값이 0보다 크면 시장수익률보다 높은 성과를 거뒀다는 의미이므로 해당 펀드는 평가 기간에 시장을 이긴 것이다. [계속 읽기]

투자할 때 위험이라고 하면 흔히 자산의 가격이 떨어질 가능성을 떠올리지만, 투자이론(Modern Portfolio Theory)에서 말하는 위험의 의미는 조금 다르다. 가격이 얼마나 크게 요동치는가, 즉 가격의 표준편차를 위험으로 본다. 아래는 Daum 금융에서 가져온 신영밸류고배당펀드C1의 수익률/위험 그래프이다. x축에 당당히 ‘위험(표준편차)’라고 쓰여 있다.

투자위험은 다시 크게 두 가지로 나눌 수 있다. [계속 읽기]

검색엔진에 ‘모나리자’를 입력했을 때, 레오나르도 다 빈치의 그림과 조용필의 노래 중에 어떤 걸 원하는지는 그 사람만이 안다. 하지만, 침묵하는 사용자의 속마음을 알아내려는 검색 연구자들의 노력 또한 치열하다 못해 아주 뜨겁다. 그동안 제안된 아이디어를 간단하게 네 가지로 분류해보자.

1. 검색어 추천 (자동완성 / 관련검색어)

이미 많이 쓰이고 있으며 많은 이들이 익숙한 방식이다. 검색어를 입력하는 동안 혹은 검색한 후에, 사용자가 찾고 있음 직한 쿼리를 제안해준다. Daum에 ‘이정수’를 검색하면, 인물 프로필에서 동명이인들을 보여주고 그중 한 명을 선택하면 ‘스케이트선수 이정수’, ‘축구선수 이정수’ 등으로 쿼리를 확장해서 재검색해준다. 다른 방법에 비해 단순해 보이지만, 사용자가 스스로 명확하게 지정하기 때문에 오류나 혼란이 적다는 것은 무시하기 어려운 장점이다.

2. 상황인지(context-aware)

현재 사용자가 어디에 있는지, 무슨 요일인지, 몇 시인지에 따라서 다른 결과를 제공하는 것도 유용할 것이다. [계속 읽기]

Weka(Waikato Environment for Knowledge Analysis)는 뉴질랜드의 University of Waikato에서 개발하여 GNU 라이센스로 공개한 기계학습 환경(A suite for machine learning software)이다. 다른 건 일단 제쳐놓고, 자바로 만들어졌기 때문에 맥 OS에서도 잘 실행된다. 홈페이지에서 프로그램을 받아서 실행하면 아래와 같은 화면이 뜨고, 여기서 Explorer를 클릭하면 된다.

UCI(University of California, Irvine)의 Machine Learning Repository에 가면 다양한 기계학습 테스트 데이터를 구할 수 있다. [계속 읽기]

주말에 여차저차해서 시간이 남아도는 바람에 지난 글에 이어서 논문 몇 편을 더 소개한다.

Context-Aware Ranking in Web Search

검색에서의 컨텍스트라고 했을 때 내가 떠올린 것은 사용자가 로컬 컴퓨터 상에서 하던 작업(task)이나 현재 장소 같은 것이었다. 이 논문에서 말하는 컨텍스트는 그것과는 달리, 말 그대로 문맥이었다. 한 세션 내에서 사용자가 날린 쿼리들을 시간 순서대로 분석해서 4가지 종류로 분류하고 그에 맞게 랭킹을 변경하는 방식을 제안한다.
1. Reformulation (“homes for rent in Atlanta” -> “houses for rent in Atlanta”)
2. Specialization (“time life music” -> “time life Christian CDs”)
3. Generalization (“free online Tetris game” -> “Tetris game”)
4. Association (“Xbox 360″ -> “FIFA 2010″)
위의 경우를 보면 두 번째 쿼리가 들어왔을 때, 이전 쿼리와의 관계에 따라 사용자 의도를 알아채서 조금 더 똑똑한 랭킹을 할 수 있을 것도 같다. 하지만, 또 한편으로 이런 생각도 든다. [계속 읽기]